[发明专利]模型训练方法、肉类鉴别方法、装置、终端和存储介质

权利要求书

1.一种用于肉类鉴别的深度学习模型训练方法，其特征在于，包括：

获取第一训练样本和第二训练样本；

其中，所述第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以所述第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；所述第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以所述第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；

将所述第一训练样本和所述第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；

将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。

2.根据权利要求1所述的方法，其特征在于，所述将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，包括：

将所述第一目标训练样本输入至预先构建的卷积神经网络模型，对所述预先构建的卷积神经网络模型的前N层和后N层的权重进行第一预设迭代次数的训练，以得到第一卷积神经网络模型，其中，N为大于1的正整数；

将所述第一目标训练样本输入至所述第一卷积神经网络模型进行第二预设迭代次数的迭代训练，得到第二卷积神经网络模型；

将所述第二目标训练样本输入至所述第二卷积神经网络模型进行第三预设次数的迭代训练，得到肉类鉴别模型。

3.根据权利要求1所述的方法，其特征在于，所述第一目标肉类和所述第二目标肉类的种类相同，原材料不同。

4.根据权利要求1所述的方法，其特征在于，所述预先构建的卷积神经网络模型为基于ImageNet数据集训练得到的InceptionV3卷积神经网络模型。

5.一种基于深度学习的肉类鉴别方法，其特征在于，包括：

获取待鉴别肉类图像；

将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；

根据所述输出类型的标签确定鉴别结果，其中，所述鉴别结果包括真、假和非肉类。

6.根据权利要求5所述的方法，其特征在于，所述将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型之前，还包括：

将所述待鉴别肉类图像缩放至设定尺寸，其中，所述设定尺寸为训练所述肉类鉴别模型时应用的第一目标训练样本和所述第二目标训练样本的尺寸。

7.一种用于肉类鉴别的深度学习模型训练装置，其特征在于，包括：

样本获取模块，用于获取第一训练样本和第二训练样本；

其中，所述第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以所述第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；所述第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以所述第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；

样本缩放模块，用于将所述第一训练样本和所述第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；

模型训练模块，用于将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。

8.一种基于深度学习的肉类鉴别装置，其特征在于，包括：

图像获取模块，用于获取待鉴别肉类图像；

鉴别模块，用于将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；

鉴别结果确定模块，用于根据所述输出类型的标签确定鉴别结果，其中，所述鉴别结果包括真、假和非肉类。